מה זה Edge AI?
Edge AI מתייחס לפריסה של אלגוריתמי בינה מלאכותית ישירות על התקן חומרה ללא צורך לשלוח אותם בחזרה לשרת או ענן מרכזי.
לגישה זו מספר יתרונות ומאפיינים מרכזיים:
עיבוד בזמן אמת: Edge AI מאפשר עיבוד נתונים בזמן אמת מכיוון שהוא מבטל את ההשהיה הכרוכה בשליחת נתונים לשרת מרוחק לצורך ניתוח.
זה חשוב במיוחד עבור יישומים הדורשים קבלת החלטות מיידית, כגון רכבים אוטונומיים ומערכות ניטור בזמן אמת.
פרטיות ואבטחה: על ידי עיבוד נתונים מקומי במכשיר, Edge AI יכול לשפר את הפרטיות והאבטחה מכיוון שאין צורך להעביר
מידע רגיש לענן או לשרתים חיצוניים אחרים.
זה קריטי עבור יישומים העוסקים בנתונים אישיים, מידע רפואי או נתונים עסקיים קנייניים.
דרישות רוחב פס מופחתות: Edge AI מפחיתה את הצורך בהעברת נתונים רציפה בין המכשיר לענן, מה שיכול להפחית משמעותית
את השימוש ברוחב הפס והעלויות הנלוות.
זה מועיל במיוחד עבור מכשירים הפועלים באזורים עם גישה מוגבלת או יקרה לאינטרנט.
אמינות תפעולית: מכשירים המצוידים ב-Edge AI יכולים לפעול ללא תלות בקישוריות לאינטרנט, מה שמבטיח פונקציונליות
גם בסביבות רשת מרוחקות או לא יציבות.
זה מגביר את האמינות של מכשירים ויישומים במצבים קריטיים.
מדרגיות ויעילות: חלוקת עומס העיבוד על פני התקני קצה רבים יכולה להוביל למערכות מדרגיות ויעילות יותר.
זה מאפשר טיפול בנתונים נוספים בסך הכל, מבלי להעמיס יתר על המידה על שרת מרכזי.
Edge AI מתאפשר הודות להתקדמות באלגוריתמי AI וכוח החישוב הגובר של מכשירי קצה, כגון סמארטפונים, מכשירי IoT ומערכות משובצות.
טכנולוגיות אלו ממשיכות להתפתח, ומרחיבות את היישומים והיתרונות הפוטנציאליים של Edge AI.
איך עובד Edge AI?
Edge AI עובד על ידי שילוב אלגוריתמים מתקדמים של AI ולמידת מכונה ישירות במכשירים מקומיים, ומאפשר למכשירים אלו לבצע
משימות עיבוד נתונים וקבלת החלטות באתר, ללא צורך להסתמך על שרת מרכזי או משאבים מבוססי ענן.
להלן סקירה שלב אחר שלב של האופן שבו זה עובד:
איסוף נתונים: התהליך מתחיל באיסוף נתונים מחיישנים או התקני קלט.
נתונים אלה יכולים להיות כל דבר, החל מקלט חזותי שנקלט על ידי מצלמה, הקלטות שמע, נתוני חיישני סביבה (כמו טמפרטורה או לחות),
נתוני תנועה, או כל סוג אחר של נתונים גולמיים הרלוונטיים למטרה של המכשיר.
עיבוד נתונים מקומי: במקום לשלוח נתונים גולמיים אלה לשרת מרוחק, המכשיר מעבד אותם באופן מקומי.
זה מושג באמצעות חומרה מיוחדת בתוך המכשיר, כגון GPU (יחידות עיבוד גרפיות), TPU (יחידות עיבוד טנזור) או ASIC מותאמים אישית
(מעגלים משולבים ספציפיים ליישום) שתוכננו במיוחד עבור חישובי AI יעילים.
מסקנות מודל AI: לאחר מכן המכשיר משתמש במודלים של AI מאומנים מראש כדי לנתח את הנתונים המעובדים.
מודלים אלה יכולים להיות עבור זיהוי תמונות, עיבוד שפה טבעית, זיהוי חריגות וכו’, בהתאם ליישום.
המודלים עברו בדרך כלל הכשרה מראש על מערכי נתונים גדולים בסביבת מחשוב רבת עוצמה (מבוססת ענן) ולאחר מכן עברו אופטימיזציה
ודחוסים לפריסה במכשירי קצה עם משאבים מוגבלים.
קבלת החלטות ופעולות: בהתבסס על הפלט של מסקנות מודל AI, המכשיר יכול לקבל החלטות ולנקוט פעולות באופן אוטונומי.
לדוגמה, במצלמת אבטחה חכמה, זה יכול להיות זיהוי פנים מוכרות ואי שליחת התראה, או ברכב אוטונומי,
ביצוע של שבריר שניות היגוי או התאמות מהירות.
סנכרון נתונים ועדכוני דגמים אופציונליים: בעוד שהעיבוד העיקרי מתרחש באופן מקומי, מכשירי קצה יכולים לשלוח מדי פעם נתונים נבחרים
בחזרה לשרת או ענן מרכזי לניתוח נוסף, אחסון לטווח ארוך או כדי לעזור בשיפור מודלים של AI.
כמו כן, ניתן לדחוף דגמי AI מעודכנים מהענן למכשירי הקצה, ולשפר את היכולות שלהם לאורך זמן.
למידה מתמדת: חלק ממערכות הבינה המלאכותית קצה מתוכננות ללמוד באופן רציף מהנתונים החדשים שהם נתקלים בהם,
תהליך המכונה למידה מקוונת או למידה מצטברת.
זה מאפשר לדגמי הבינה המלאכותית להסתגל לדפוסים או שינויים חדשים בסביבה ישירות במכשיר, אם כי תכונה זו תלויה ביכולות
החישוביות של המכשיר ובאופי אפליקציית הבינה המלאכותית.
סוגי Edge AI
ניתן לסווג Edge AI בהתבסס על גורמים שונים, כולל סוג המשימות שהוא מבצע, הטכנולוגיה שהוא משתמש בו ותחומי היישום שלו.
הנה כמה סוגים של Edge AI, הנבדלים בעיקר על ידי הפונקציונליות שלהם והטכנולוגיה הבסיסית שלהם:
Vision-Based Edge AI: סוג זה כולל מודלים של AI המעבדים נתונים חזותיים ישירות על המכשיר.
היישומים כוללים זיהוי פנים, זיהוי אובייקטים וניתוח סצנה.
הוא נמצא בשימוש נרחב במצלמות אבטחה, כלי רכב אוטונומיים ומזל”טים.
Edge AI זיהוי קולי: מערכות אלו מתמקדות בניתוח כניסות שמע.
זה יכול לכלול פקודות קוליות עבור מכשירים חכמים, זיהוי חריגות בקול בהגדרות תעשייתיות, או ניטור רפואי
באמצעות ניתוח שיעול או קולות חולי.
תחזוקה חזויה: תוך שימוש בנתוני חיישנים (כמו רטט, טמפרטורה ולחץ) ממכונות, מערכות בינה מלאכותית אלו חוזות מתי
הציוד עלול להיכשל או לדרוש תחזוקה.
עיבוד נתונים ישירות על המכשיר מסייע בקבלת החלטות בזמן אמת, הפחתת זמני השבתה ועלויות תחזוקה.
עיבוד שפה טבעית (NLP) ב-Edge AI: מודלי NLP מותאמים לרוץ במכשירי קצה עבור משימות כגון תרגום שפה, קול לטקסט ועוזרים חכמות.
זה מקטין את זמן האחזור ופועל ללא צורך בחיבור לאינטרנט קבוע.
רובוטים ומזל”טים אוטונומיים: מערכות בינה מלאכותיות אלו מתוכננות לניווט, הימנעות ממכשולים ועיבוד ספציפי למשימה
(כמו ניטור חקלאי, מסירה או פעולות חיפוש והצלה) כאשר קבלת החלטות מהירה ואוטונומית היא חיונית.
מכשירים רפואיים לבישים: מכשירים לבישים המשתמשים ב-Edge AI יכולים לעבד נתוני בריאות בזמן אמת, להציע תובנות לגבי שונות קצב הלב,
לזהות נפילות, לנטר רמות סוכר ואפילו לחזות אירועים בריאותיים מבלי צורך לשלוח נתונים רגישים לשרת מרוחק.
חיישנים חכמים והתקני IoT: קטגוריה רחבה זו כוללת מגוון רחב של מכשירים המעבדים נתונים באופן מקומי למטרות שונות, כגון ניטור סביבתי,
מכשירי בית חכם (תאורה, מערכות HVAC), ויישומי עיר חכמה (ניטור תנועה, ניהול פסולת).
בינה מלאכותית משובצת באלקטרוניקה: סמארטפונים, טאבלטים ומוצרי אלקטרוניקה אחרים משלבים יותר ויותר AI קצה עבור תכונות
כמו המלצות מותאמות אישית, מציאות מוגברת וצילום משופר עם עיבוד תמונה בזמן אמת.
אבטחה ומעקב: מערכות אלו משתמשות בעיבוד מקומי כדי לזהות, לנתח ולפעול על איומי אבטחה פוטנציאליים בזמן אמת,
תוך שימוש בשילוב של זיהוי תנועה, זיהוי פנים וזיהוי אנומליות.
למידה במכשיר הקצה: למרות שהן מאתגרות יותר בגלל אילוצים חישוביים, חלק ממערכות AI קצה מסוגלות ללמוד ולהסתגל ישירות במכשיר,
ולשפר את הביצועים שלהן לאורך זמן בהתבסס על נתונים ואינטראקציות חדשות.
